1.基于卷积长短时记忆循环神经网络的滚动轴承剩余寿命预测方法，其特征在于：包括：获取滚动轴承的振动加速度信号，作为数据样本；

建立卷积自编码器，将数据样本作为输入，训练得到多层卷积自编码器；

根据数据样本和多层卷积自编码器，获取数据样本的特征数据；

利用模糊C均值算法，根据数据样本的特征数据，确定滚动轴承的健康评估指标；

建立卷积长短时记忆循环神经网络模型，将衰退期轴承数据样本和对应的健康评估指标作为卷积长短时记忆循环神经网络的输入，训练得到预测模型；

所述利用模糊C均值算法，根据数据样本的特征数据，确定滚动轴承的健康评估指标，具体包括：将特征数据作为模糊C均值算法的输入，将轴承正常运行的特征数据作为聚类中心，计算每段特征数据对于聚类中心的隶属度值，即得到健康评估指标；

在建立卷积长短时记忆循环神经网络模型之前，还包括：确定用于划分滚动轴承正常期和衰退期的健康评估指标的阈值；

所述确定用于划分滚动轴承正常期和衰退期的健康评估指标的阈值，具体包括：将滚动轴承在一段正常运行时期内的最小健康评估指标作为阈值；

所述卷积长短时记忆循环神经网络模型的卷积层与多层卷积自编码器的编码过程的结构与参数相同。

2.根据权利要求1所述基于卷积长短时记忆循环神经网络的滚动轴承剩余寿命预测方法，其特征在于：所述卷积自编码器包括输入层、卷积层、池化层、全连接层、重构层和输出层；

所述卷积自编码器为一维卷积。

3.根据权利要求1所述基于卷积长短时记忆循环神经网络的滚动轴承剩余寿命预测方法，其特征在于：所述建立卷积自编码器，将数据样本作为输入，训练得到多层卷积自编码器的过程中，采用的重构方法为双线性插值。

4.根据权利要求1所述基于卷积长短时记忆循环神经网络的滚动轴承剩余寿命预测方法，其特征在于：所述卷积自编码器的激活函数为LRule函数。